kirill_makarov - stock.adobe.com

Welche Rolle spielt maschinelles Lernen für Netzwerke?

Tools für maschinelles Lernen können IT-Teams dabei helfen, Verkehrsströme vorherzusagen, intelligentere Analysen zu erstellen, den Netzwerkzustand zu überwachen und vieles mehr.

Maschinelles Lernen (ML) ist ein Zweig der künstlichen Intelligenz (KI), der sich auf die Programmierung von Computern zur Lösung von Problemen ohne menschliche Beteiligung konzentriert.

Tools für das Netzwerk-Performance-Management, die Sicherheit und das Zustandsmanagement nutzen alle maschinelles Lernen, um bessere Analysen zu ermöglichen. ML-basierte Tools eignen sich hervorragend zum Erlernen des normalen Netzwerkverhaltens und zum Hervorheben relativ abnormaler Aktionen. Die Tools implementieren ein oder mehrere Computermodelle, wie neuronale Netze oder genetische Algorithmen, um einen Algorithmus für den Mustervergleich zu verbessern.

Das Verhalten von biologischen Neuronen dient als Grundlage für neuronale Netze. Künstliche Neuronen, oder Software, sind in Schichten miteinander verbunden. Neuronen in einer Schicht senden über gewichtete Verbindungen Signale an Neuronen in der nächsten Schicht. Der Empfang von Signalen ausreichender Stärke veranlasst ein Neuron, eine Ausgabe zu senden: normal oder abnormal. Durch einen Trainingsprozess stimmt das ML-System die gesendeten Signale und die Gewichtungen auf den Verbindungen ab.

Genetische Algorithmen lassen sich ebenfalls von der Natur inspirieren. Die Entwickler beginnen mit mehreren Methoden zur Ermittlung der richtigen Ausgabe auf der Grundlage von Eingabedaten und verwenden dann ML, um nachzuahmen, was die Natur tut: die am wenigsten geeigneten Methoden werden aussortiert, die Überlebenden werden gemischt und mutiert, und der Zyklus wird wiederholt, um die Ergebnisse im Laufe der Zeit zu verbessern.

ML-basierte Tools eignen sich hervorragend zum Erlernen des normalen Netzwerkverhaltens und zum Hervorheben relativ abnormaler Aktionen.

Anwendung des maschinellen Lernens in Netzwerken

Netzwerk-Performance-Management

ML-Tools können sowohl bei der momentanen Verwaltung des Datenverkehrs als auch bei der längerfristigen Kapazitätsplanung und -verwaltung helfen. Nachdem die Tools erkannt haben, dass der Datenverkehr auf bestimmten Pfaden in die Höhe schießt oder auf anderen Pfaden nicht fließt, können sie automatische oder manuelle direkte Managementreaktionen senden, um den Fehler zu beheben.

Beispielsweise könnte die ML-gesteuerte Routenanalyse den Datenverkehr von Verbindungen, die einen ISP nutzen, bei dem ein Stromausfall auftritt, auf Verbindungen verlagern, die andere Anbieter verwenden. Management-Tools mit ML könnten die Hälfte des Datenverkehrs, der zu einem Backend-System geleitet wird, auf der Grundlage der Verkehrsbedingungen von einem Rechenzentrum zu einem anderen verlagern.

Netzwerkanalysen

Abgesehen vom aktuellen Management können ML-Tools auch Verkehrstrends vorhersagen, um zukünftige Entscheidungen zu unterstützen. Netzwerkexperten sollten Situationen bewerten, in denen der Einsatz eines ML-Tools zur Ermittlung von Datenverkehrsflüssen von Vorteil sein könnte, wie in den folgenden Beispielen:

  • Verlagert sich der Datenverkehr im Rechenzentrum von Rack zu Rack zu Server zu Server innerhalb eines Racks?
  • Verlagert sich der Verkehr von einer großen Anzahl kleiner Pakete zu einer kleineren Anzahl großer Pakete?

Das Erkennen von Trends kann der IT-Abteilung dabei helfen, zu entscheiden, welche Art von Netzwerken entworfen werden soll, zum Beispiel Leaf-Spine, Switch-basiertes Mesh oder Host-basiertes Mesh. Je mehr Daten ML-Tools in allen Segmenten eines Netzwerks zur Verfügung stehen, desto detaillierter können ihre Analysen und Empfehlungen ausfallen. ML-Tools sind besonders hilfreich bei der Ursachenanalyse.

Die Kombination von ML-gesteuerten Analysen mit anderen KI-Tools, wie der Verarbeitung natürlicher Sprache, kann die Interaktion mit den Systemen einfacher und schneller machen. Netzwerktechniker können virtuelle Assistenten erstellen, die Netzwerkadministratoren bei der Diagnose und Behebung von Netzwerkproblemen unterstützen.

Abbildung 1: Die Schichten innerhalb eines neuronalen Netzes verwenden Signale, um miteinander zu interagieren und schließlich eine Ausgabe zu erreichen.
Abbildung 1: Die Schichten innerhalb eines neuronalen Netzes verwenden Signale, um miteinander zu interagieren und schließlich eine Ausgabe zu erreichen.

Zustandsmanagement

ML-gesteuerte Analysen können erkennen, wann sich eine Netzwerkkomponente im Anfangsstadium eines Ausfalls befindet, und vorhersagen, wann diese Anfangsstadien bei derzeit gesunden Knoten auftreten werden. Die Anbieter von Netzwerkausrüstung integrieren solche Analysen zunehmend in ihre Management-Tools, insbesondere in solchen, die auf SaaS-Angeboten basieren.

Netzwerksicherheit

ML hat einen enormen Wert für die Netzwerksicherheit. ML-Tools können das Verhalten aller Arten von Netzwerkeinheiten analysieren. ML-Techniken verbessern die Analyse verhaltensbedingter Bedrohungen erheblich, indem sie das Auftreten falsch positiver Meldungen verringern. Angriffe, die sich über mehrere Ebenen von Unternehmensaktivitäten erstrecken, wie E-Mail-Phishing, die Kompromittierung von Konten, Layer-7-Angriffe auf Webanwendungen und die Kompromittierung von Netzwerken auf Betriebssystemebene, lassen sich leichter erkennen.

Das Erkennen von Anomalien im Netzwerkverhalten kann Netzwerksicherheitsteams dabei helfen, alles zu finden, von einem kompromittierten Hardwareknoten bis hin zu einem abtrünnigen Mitarbeiter im Unternehmensnetzwerk. ML-gestützte Tools sind auch bei der Erkennung und Behebung von DDoS-Angriffen nützlich.

Erfahren Sie mehr über Netzwerksoftware

ComputerWeekly.de
Close